2025 conference-paper

Classification of Network Traffic by using Random Forest based Grid Search for Side-Channel Attacks Detection

Soumya Aruna, Zayd Ajzan Salami, Sasikumar Gurumoorthy, Yogesh Ramaswamy, Debarshi Mazumder

0Citations signalées, ce qui n’est pas une note de qualité

5Institutions déclarées

2Pays d’affiliation déclarés

Rattachement africain : in, iq. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

In recent years, the smartphone-based Side-Channel Attacks (SCA) are common in this developing technological world. It exploits unintended information leakage such as extract sensitive information like PINs, passwords or keys, without hacking the device code directly. However, detecting SCAs was the most challenging task to provide potential security, so this research proposes a Random Forest (RF)-based Grid Search (GS) for SCAs detection. Initially, data is collected from Video Fingerprinting Encrypted Network Traces-SCA (VFENT-SCA) dataset which includes records and various variables related to network traffic during YouTube video streaming. Then, signal data is preprocessed with Butterworth Filter (BF) which removes noise and unwanted frequency components from the signals. Next, the features are extracted by using Discrete Wavelet Transform (DWT), which extracts frequency coefficient vectors that capture the underlying patterns in the network traffic. Finally, frequency coefficient vectors are fed into a RF classifier, which classifies network traffic patterns to detect SCAs and enhance the security. For improving the performance of RF, GS is utilized which is utilized for optimizes the hyperparameters. From the results, the proposed RF model achieved outstanding results when compared with existing K-Nearest Neighbors Deep Graph Neural Network (KNN+DeepGraphNet) method in terms of precision (0.95), Recall (0.96) and F1-score (0.96) respectively.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref: Classification of Network Traffic by using Random Forest based Grid Search for Side-Channel Attacks Detection
Date Crossref: 25/04/2025
Éditeur: IEEE
Type: proceedings-article

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

SRM Institute of Science and Technology pays non établi dans la notice
Université ou école supérieure
Iraqi University pays non établi dans la notice
Université ou école supérieure
Dhanalakshmi Srinivasan Group of Institutions pays non établi dans la notice
Université ou école supérieure
Dhanalakshmi Srinivasan University pays non établi dans la notice
Université ou école supérieure
Nitte Meenakshi Institute of Technology pays non établi dans la notice
Université ou école supérieure
School of Computing SRM Institute of Science and Technology pays non établi dans la notice
Université ou école supérieure
The Islamic University pays non établi dans la notice
Université ou école supérieure

SRM Institute of Science and Technology, Iraqi University et Dhanalakshmi Srinivasan Group of Institutions, avec 4 autres affiliations.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Network Security and Intrusion DetectionAdvanced Malware Detection TechniquesInternet Traffic Analysis and Secure E-voting

Consulter la publication primaire Ouvrir le DOI